Mission freelance data scientist à Nantes (2026)

Naval Group — constructeur des sous-marins Barracuda (classe Suffren) et des frégates FDI pour la Marine Nationale — dispose d'une direction numérique ambitieuse et fait appel à des data scientists freelances pour des chantiers spécifiques. Les missions portent sur plusieurs sujets. La maintenance prédictive des systèmes navals : des modèles de détection d'anomalies (LSTM Autoencoder, Isolation Forest) s'appliquent sur les séries temporelles des capteurs embarqués dans les systèmes de propulsion nucléaire (données SNLE) et conventionnel (turbines, réducteurs, auxiliaires) pour anticiper les défaillances avant les indisponibilités opérationnelles. Les surrogate models pour la simulation structurale : des réseaux de neurones (MLP, CNN) entraînés sur des données de simulation FEM apprennent à prédire les champs de contraintes dans les coques sous-marines en quelques millisecondes — remplaçant des calculs FEM qui prenaient des heures. Les systèmes de recommandation de maintenance : des modèles de recommandation basés sur l'historique de maintenance des flottilles (données de MEI — Main d'œuvre, Équipements, Interventions) suggèrent les opérations de maintenance préventive optimales. Ces missions sont soumises aux contraintes de confidentialité Défense — une habilitation de sécurité peut être requise pour les données les plus sensibles.

Les Chantiers de l'Atlantique, constructeur des plus grands paquebots du monde (MSC World Europa, Celebrity Beyond) à Saint-Nazaire, développent des jumeaux numériques enrichis par machine learning pour leurs navires livrés. Les projets de data science portent sur deux axes principaux. L'optimisation énergétique des paquebots en exploitation : des modèles de prédiction de la consommation de fuel du navire (plusieurs milliers de tonnes par voyage) en fonction de la vitesse, du cap, de l'état de la mer, de la charge et des conditions météo permettent d'optimiser les routes pour minimiser la consommation. Ces modèles combinent des simulateurs physiques de hydrodynamique (résistance de la carène) avec des couches ML qui apprennent les déviations du comportement réel par rapport au modèle physique (digital twin hybride). La maintenance prédictive des systèmes mécaniques des paquebots : des modèles d'anomaly detection (Autoencoder LSTM, Temporal Convolutional Network) s'appliquent sur les données IoT des milliers de capteurs des systèmes de propulsion Azipod, de conditionnement d'air, et de génération électrique — des pannes sur ces systèmes pendant une croisière ont un impact commercial et opérationnel majeur. Ces missions requièrent une maîtrise des données IoT industrielles et une connaissance des outils de simulation physique.

Les jumeaux numériques maritimes — que ce soit chez Naval Group, les Chantiers de l'Atlantique ou les startups navales nantaises — combinent des modèles physiques (simulation) avec du machine learning d'une façon qui diffère des approches ML pures. Plusieurs compétences spécifiques sont demandées. Les Physics-Informed Neural Networks (PINN) : ces réseaux de neurones intègrent les équations physiques (équations de Navier-Stokes pour la dynamique des fluides, équations de la mécanique des structures) comme contraintes dans la fonction de perte, permettant d'apprendre des modèles ML physiquement cohérents même avec peu de données. Les Neural Operators (FNO, DeepONet) : ces architectures apprennent à approximer des opérateurs différentiels sur des champs de données, permettant de construire des surrogate models de simulations FEM/CFD transférables. La gestion des données IoT navales : les capteurs embarqués sur les navires (protocoles NMEA 0183, CAN bus, Modbus) génèrent des données dans des formats spécifiques qui nécessitent des pipelines de prétraitement adaptés. La maîtrise de ces approches hybrides simulation + ML est le critère le plus discriminant pour accéder aux meilleures missions data science nantaises.

Naval Group déploie un programme PLM (Product Lifecycle Management) ambitieux pour ses sous-marins et frégates, et le machine learning y joue un rôle croissant pour valoriser les données de conception et de production. Les missions data science PLM portent sur plusieurs problèmes concrets. La gestion des non-conformités : des modèles NLP (CamemBERT fine-tuné sur des données techniques navales) classifient et extraient automatiquement les entités des rapports de non-conformité (NCI — Non Conformity Items) pour accélérer leur traitement et identifier des patterns de défauts récurrents dans les procédures de fabrication. La recherche de similitude de composants : des modèles de représentation appris sur les graphes de nomenclatures (Bill of Materials) identifient des composants fonctionnellement similaires dans la base de données de pièces (plus d'un million de références pour un sous-marins), permettant la réutilisation de solutions existantes lors de nouvelles conceptions. La prévision des délais de fabrication : des modèles de régression sur les données de gammes opératoires et de charge des ateliers prédisent les délais de fabrication des sous-ensembles complexes, permettant de tenir les jalons de livraison contractuels des programmes militaires. Ces missions sont très valorisées et durables — les programmes navals durent plusieurs décennies.